基于支持向量机的宽带频谱压缩感知方法

摘要

本发明公开了一种基于支持向量机的宽带频谱压缩感知方法，该方法引入压缩感知理论以降低对模/数转换器的要求，解决了感知信号重建过程计算复杂度高、耗时长、实时性差的问题，利用支持向量机代替信号重构过程，对观测序列直接进行分类识别。所述方法的系统首先进行训练，压缩采样大量的已知频谱占用情况的信号样本，利用支持向量机进行训练，得到分类器参数，分类识别时利用训练好的分类器对压缩后的观测序列进行频谱占用情况判决，得到主用户频谱当前的空闲频谱信息，从而很好地实现了实时宽带频谱感知的功能。

主权项

一种基于支持向量机的宽带频谱压缩感知方法，其特征在于，所述方法包括以下步骤：步骤1：对于已知频谱占用情况的宽带频谱段利用压缩感知进行压缩采样，得到大量的训练样本；步骤2：对于训练样本进行数据预处理，即数据取绝对值，同时进行一定比例的尺度缩放；步骤3：利用支持向量机对缩放后的训练样本进行训练；该训练既包括二元分类器训练，即对于一整段频段进行有无被主用户占用的分类器训练，又包括对于宽频段多信道多个主用户占用情况的多元分类器训练，得到分类器；步骤4：对于未知宽带频谱段利用压缩感知进行压缩采样，使用与步骤2中相同的观测矩阵得到测试样本；步骤5：将测试样本进行数据预处理，采用和步骤2相同的方式进行数据处理；步骤6：利用训练好的分类器进行频谱判决，得到频谱占用情况；所述的数据预处理，对训练、测试样本取绝对值，同时进行等比例缩放，得到训练样本Y_train_i，Y_test_j；支持向量机训练部分，利用支持向量机训练Y_train_i，得到二元分类器，将训练数据写为D＝{(Y_train₁,s₁),...,(Y_train_n,s_n)},s_i∈{‑1,1}，Y_train_i代表经预处理后的训练矢量，s_i是分类标记，表示Y_train_i属于一个特定的类，随机分割线H表示为wY_train+b＝0，H₀和H₁分别表示与H平行的边界线，定义为wY_trian+b＝±1；在分割无差错和间隔最小的矢量集到超平面之间距离ρ(w,b)＝2/||w||最大时，认为该矢量组被超平面最佳分割，此时，训练数据满足s_i(wY_trian_i+b)＞1(i＝1,2,...,n)，最终，分类问题转化为二次最优化问题求解，表示为：$\begin{array}{c}\underset{w}{\min }\frac{\left|\right|w|{|}^2}{2}\\ \begin{array}{cc}s.t.& s_i\left(wY\_{\mathrm{train}}_i+b\right)-1>0,\left(i=1,2,...,n\right)\end{array}\end{array}---\left(5\right)$引入松弛变量ξ_i，同时引入惩罚参数C用以约束松弛变量ξ_i，式(5)改写成：$\begin{array}{c}\underset{w}{\min }\frac{\left|\right|w|{|}^2}{2}+C\underset{i=1}{\overset{n}{\Sigma }}{\xi }_i\\ \begin{array}{cc}s.t.& s_i\left(wY\_{\mathrm{train}}_i+b\right)>1-{\xi }_i\end{array}\\ {\xi }_i\ge 0,i=1,2,...,n\end{array}---\left(6\right)$最终确定随机分割线H和被称为支持向量的边界线H₀和H₁，得到二元分类器，同样利用支持向量机训练Y_train_i，得到多元分类器；频谱占用情况分类判决部分，将经预处理后的数据Y_test_j输入相应的分类器，得到分类标记s_j，根据s_j即可得知频谱占用情况。